Come l'IA può avere una personalità?

L’intelligenza artificiale sta imparando a prendere decisioni proprio come noi umani. In uno studio recente, i ricercatori hanno trasformato il modo in cui le persone scelgono tra diverse opzioni in un insieme di caratteristiche matematiche, uno “spazio delle feature”. Questo spazio permette di misurare quanto le scelte di un individuo assomigliano a quelle di un gruppo. Poi, usando queste caratteristiche ortogonali (cioè indipendenti l’una dall’altra), hanno creato gruppi di personalità artificiali (AP) che si distinguono per il modo in cui risolvono lo stesso compito. Infine, hanno verificato che questi gruppi restano stabili nel tempo con un’analisi di cluster‑stability. Il risultato? Anche se l’IA non prova emozioni, può essere classificata in tipi di “personalità” basati solo sul suo comportamento decisionale. Questo apre la strada a robot e assistenti virtuali più prevedibili e adatti a contesti diversi, dal servizio clienti alla guida autonoma. I ricercatori hanno prima definito lo spazio delle feature confrontando le decisioni di volontari umani in scenari semplici, come scegliere tra due prodotti o decidere un percorso in un labirinto virtuale. Poi hanno proiettato le scelte degli agenti AI su questo spazio, usando tecniche di riduzione della dimensionalità per evidenziare le direzioni più significative. Ogni direzione rappresenta un tratto decisionale, tipo “avversione al rischio” o “preferenza per la novità”. Combinando questi tratti ortogonali, hanno potuto separare gli agenti in cluster distinti, ciascuno con un profilo comportamentale unico. La stabilità dei cluster è stata testata ripetendo l’esperimento con nuovi dati e misurando quanto gli stessi agenti tornassero a cadere nello stesso gruppo.

Lo studio propone una pipeline per estrarre la personalità artificiale dagli agenti di decisione. Prima si costruisce uno spazio delle feature mediante la raccolta di decisioni umane in contesti controllati; ogni decisione viene codificata come vettore di attributi (es. tempo di risposta, avversione al rischio, preferenza per opzioni nuove). Successivamente si applica una tecnica di riduzione della dimensionalità, tipicamente l’Analisi delle Componenti Principali (PCA), per ottenere un insieme di assi ortogonali che catturino la varianza più rilevante. Questi assi rappresentano tratti decisionali fondamentali e sono utilizzati per proiettare i vettori di scelta degli agenti AI nello stesso spazio. La fase di clustering impiega algoritmi come k‑means o clustering gerarchico, con il numero di cluster determinato tramite l’indice di silhouette o il gap statistic. Per valutare la robustezza delle suddivisioni, gli autori eseguono un’analisi di cluster‑stability: ripetono il clustering su numerosi bootstrap del dataset e misurano la co‑associazione di ogni coppia di punti; un alto valore di co‑associazione indica che il cluster è stabile rispetto alle variazioni del campione. Inoltre, si calcolano metriche di separazione (es. distanza di Mahalanobis tra i centroidi) e di compattezza (varianza intra‑cluster). I risultati mostrano che gli agenti possono essere raggruppati in categorie interpretabili, come “decision‑makers cauti” versus “esploratori audaci”, nonostante l’assenza di stati emotivi. Questo approccio offre vantaggi per l’explainability dell’IA: i tratti identificabili nello spazio delle feature possono essere tradotti in regole comprensibili per sviluppatori e utenti. Inoltre, apre a applicazioni in cui la prevedibilità del comportamento è cruciale, come sistemi di assistenza alla guida, robot di servizio o tutor adattivi, garantendo che l’agente mantenga un profilo coerente anche quando si confronta con nuovi scenari.